BEAR：面向控制与强化学习的基于物理原理的建筑环境
系统与控制
2022-11-29 v1 机器学习
系统与控制
摘要
强化学习算法的最新进展为研究人员自主运行和优化建筑能源管理系统打开了大门。然而，缺乏易于配置的建筑动力学模型以及能源管理任务仿真与评估平台，可以说减缓了面向建筑运行任务开发先进且专用的强化学习（RL）与控制算法的进展。在此我们提出“BEAR”，一个基于物理原理的面向控制与强化学习的建筑环境（Building Environment for Control And Reinforcement Learning）。该平台允许研究人员使用 Python 中大量标准建筑模型对基于模型与无模型的控制器进行基准测试，而无需使用外部建筑仿真器进行协同仿真。本文讨论了该平台的设计并将其与其他现有建筑仿真框架进行比较。我们通过两个案例研究展示了 BEAR 与不同控制器的兼容性与性能，包括模型预测控制（MPC）与多种最先进的 RL 方法。
引用
@article{arxiv.2211.14744,
title = {BEAR: Physics-Principled Building Environment for Control and Reinforcement Learning},
author = {Chi Zhang and Yuanyuan Shi and Yize Chen},
journal= {arXiv preprint arXiv:2211.14744},
year = {2022}
}
备注
Accepted at ACM e-Energy 2023; Code available at https://github.com/chz056/BEAR